CN104361351A - 一种基于区域统计相似度的合成孔径雷达图像分类方法 - Google Patents

Abstract

本发明提供一种基于区域统计相似度的SAR图像分类方法。技术方案是首先通过分割步骤将SAR图像分割为一系列已知目标类别的样本区域，然后利用GГD(Generalized Gamma Distribution，广义gamma分布)对各训练样本区域进行统计建模，对SAR图像待识别区域同样进行上述步骤进行统计建模，再计算各分割区域与各训练样本区域之间的统计相似度，最后根据最大统计相似度准则实现各分割区域的类别划分，从而获得SAR图像的分类结果。本发明有效地解决SAR图像分类问题。

Description

一种基于区域统计相似度的合成孔径雷达图像分类方法

技术领域

本发明涉及成像雷达图像处理技术领域，更具体地说，涉及一种SAR(Synthetic Aperture Radar,合成孔径雷达)图像分类方法。 

背景技术

随着遥感技术的发展，遥感图像分类越来越受到人们的关注。遥感图像分类在很多领域中得到了广泛的应用，例如沙漠化评估、农作物生长监测和城市规划等等。SAR是一种主动微波成像传感器。与很多其他成像传感器相比，SAR具有全天时、全天候成像能力，这使得基于SAR图像的分类技术倍受关注。 

近几十年来，学者们提出了大量SAR图像分类算法，如神经网络方法、支持矢量机方法和Bayes统计方法等。由于SAR的相干成像机制，SAR图像中普遍存在着随机的相干斑噪声，这使得以统计理论为基础的Bayes统计方法在SAR图像分类中得到了非常广泛的应用，其中最为典型的为ML(Maximum Likelihood，最大似然)方法。 

ML方法的一个关键因素是精确估计SAR图像中各个类别的PDF(Probability Density Function，概率密度函数)。目前用于SAR图像分类的ML方法基本上是以单个像素作为基本的分类单元，称为基于像素的ML方法。理论分析可知，这类方法所得分类结果极易受到实际类别之间的PDF重叠程度的影响。当不同类别的PDF相互重叠显著时，即使已获得它们的精确PDF，基于像素的ML方法仍将得到类别混淆严重的分类结果。 

在低分辨率SAR图像中，同一类别可能仅存在于一个或少数的几个像素中。近年来，随着SAR成像技术的发展，国内外相关机构获得了越来越多的高分辨率甚至极高分辨率SAR图像。这些图像的一个显著特点是，同一类别可分解到大量像素当中。这为研究基于区域的SAR图像分类方法提供了数据基础。为适应SAR图像的发展趋势，解决基于像素的ML方法易受类别间PDF重叠程度影响的问题，提高SAR图像分类方法的鲁棒性，开展基于区域的SAR图像分类方法对SAR图像自动化、智能化解译具有非常重要的应用价值。 

发明内容

本发明为了有效解决SAR图像分类问题，提出了一种基于区域统计相似度 的SAR图像分类方法。本方法能够有效降低相干斑噪声对SAR图像分类的影响，同时克服基于像素的ML方法无法有效区分PDF相互重叠显著的类别的缺陷，能够获得区域连通性更好的分类结果。 

本发明的基本思路是，首先通过分割步骤将SAR图像分割为一系列样本区域，然后利用GГD(Generalized Gamma Distribution，广义gamma分布)对各训练样本区域以及各分割区域进行统计建模，再通过计算各分割区域与各训练样本区域之间的统计相似度，最后根据最大统计相似度准则实现各分割区域的类别划分，从而获得SAR图像的分类结果。 

本发明的技术方案是：一种基于区域统计相似度的SAR图像分类方法，具体包括下述步骤： 

第一步：训练样本区域统计建模 

选择已知类型的且类型各不相同的M类目标SAR图像区域，形成训练样本区域集{T₁,T₂,...,T_j,...,T_M}，其中第j类目标SAR图像区域T_j表示第j个训练样本区域，j＝1,2,...,M。采用GГD对各训练样本区域进行统计建模，估计其PDF 其中表示T_j中的像素值x的PDF，表示为： 

$p_{T_j}\left(x\right)=\frac{\left|v_{T_j}\right|{{\mathrm{\κ}}_{T_j}}^{{\mathrm{\κ}}_{T_j}}}{{\mathrm{\σ}}_{T_j}\mathrm{\Γ}\left({\mathrm{\κ}}_{T_j}\right)}{\left(\frac{x}{{\mathrm{\σ}}_{T_j}}\right)}^{{\mathrm{\κ}}_{T_j}{v}_{T_j}-1}\·\exp \{-{\mathrm{\κ}}_{T_j}{\left(\frac{x}{{\mathrm{\σ}}_{T_j}}\right)}^{v_{T_j}}\},{\mathrm{\σ}}_{T_j},\left|v_{T_j}\right|,{\mathrm{\κ}}_{T_j},x>0---\left(1\right)$

其中和分别表示的尺度、能量和形状参数,这三个参数利用下述方程组得到： 

$\left\{\begin{array}{c}\ln {\mathrm{\σ}}_{T_j}+(\mathrm{\Ψ}\left({\mathrm{\κ}}_{T_j}\right)-\ln {\mathrm{\κ}}_{T_j})/v_{T_j}={\tilde{c}}_{T_j,1}\\ \mathrm{\Ψ}(1,{\mathrm{\κ}}_{T_j})/{v_{T_j}}^2={\tilde{c}}_{T_j,2}\\ \mathrm{\Ψ}(2,{\mathrm{\κ}}_{T_j})/{v_{T_j}}^3={\tilde{c}}_{T_j,3}\end{array}\right.---\left(2\right)$

其中Ψ(·)为digamma函数，Ψ(1,·)和Ψ(2,·)分别表示第1阶和第2阶polygamma函数，和表示T_j的前三阶样本对数累积量，可以由下式计算： 

$\left\{\begin{array}{c}{\tilde{c}}_{T_j,1}=\left({\mathrm{\Σ}}_{s\∈T_j}\ln s\right)/N_{T_j}\\ {\tilde{c}}_{T_j,2}=\left[{\mathrm{\Σ}}_{s\∈T_j}{(\ln s-{\tilde{c}}_{T_j,1})}^2\right]/N_{T_j}\\ {\tilde{c}}_{T_j,3}=\left[{\mathrm{\Σ}}_{s\∈T_j}{(\ln s-{\tilde{c}}_{T_j,1})}^3\right]/N_{T_j}\end{array}\right.---\left(4\right)$

其中为T_j中的像素个数，s表示T_j中的任意像素的像素值。 

第二步：SAR图像分割 

将输入的待分类的实测SAR图像分割为互不重叠的若干区域，形成分割区域集{R₁,R₂,...,R_i,...,R_L}，其中R_i表示第i个分割区域，i＝1,2,...,L。 

第三步：SAR图像区域统计建模 

采用与第一步相同的统计建模方法，利用GГD对各分割区域进行统计建模，估计其其中表示R_i中的像素值x的PDF，表示为： 

$p_{R_i}\left(x\right)=\frac{\left|v_{R_i}\right|{{\mathrm{\κ}}_{R_i}}^{{\mathrm{\κ}}_{R_i}}}{{\mathrm{\σ}}_{R_i}\mathrm{\Γ}\left({\mathrm{\κ}}_{R_i}\right)}{\left(\frac{x}{{\mathrm{\σ}}_{R_i}}\right)}^{{\mathrm{\κ}}_{R_i}{v}_{R_i}-1}\·\exp \{-{\mathrm{\κ}}_{R_i}{\left(\frac{x}{{\mathrm{\σ}}_{R_i}}\right)}^{v_{R_i}}\},{\mathrm{\σ}}_{R_i},\left|v_{R_i}\right|,{\mathrm{\κ}}_{R_i},x>0---\left(5\right)$

其中和分别表示的尺度、能量和形状参数。这三个参数利用下述方程组得到： 

$\left\{\begin{array}{c}\ln {\mathrm{\σ}}_{R_i}+(\mathrm{\Ψ}\left({\mathrm{\κ}}_{R_i}\right)-\ln {\mathrm{\κ}}_{R_i})/v_{R_i}={\tilde{c}}_{R_i,1}\\ \mathrm{\Ψ}(1,{\mathrm{\κ}}_{R_i})/{v_{R_i}}^2={\tilde{c}}_{R_i,2}\\ \mathrm{\Ψ}(2,{\mathrm{\κ}}_{R_i})/{v_{R_i}}^3={\tilde{c}}_{R_i,3}\end{array}\right.---\left(6\right)$

其中和表示R_i的前三阶样本对数累积量，可以由下式计算： 

$\left\{\begin{array}{c}{\tilde{c}}_{R_i,1}=\left({\mathrm{\Σ}}_{s^{\′}\∈R_i}\ln s^{\′}\right)/N_{R_i}\\ {\tilde{c}}_{R_i,2}=\left[{\mathrm{\Σ}}_{s^{\′}\∈R_i}{(\ln s^{\′}-{\tilde{c}}_{R_i,1})}^2\right]/N_{R_i}\\ {\tilde{c}}_{R_i,3}=\left[{\mathrm{\Σ}}_{s^{\′}\∈R_i}{(\ln s^{\′}-{\tilde{c}}_{R_i,1})}^3\right]/N_{R_i}\end{array}\right.---\left(7\right)$

其中为R_i中的样本像素个数，s′表示R_i中的任意像素的像素值。 

第四步：分割区域与训练样本区域统计相似度计算 

计算各分割区域与各训练样本区域之间的统计相似度i＝1,2,...,L，j＝1,2,...,M，表示为： 

$S(p_{R_i}\left(x\right),p_{T_j}\left(x\right))=\exp \{-J_D(p_{R_i}\left(x\right),p_{T_j}\left(x\right))\}---\left(8\right)$

其中表示和之间的散度，由下式计算： 

$J_D(p_{R_i}\left(x\right),p_{T_j}\left(x\right))=-{\mathrm{\κ}}_{R_i}-{\mathrm{\κ}}_{T_j}+A_{(R_i,T_j),1}+A_{(R_i,T_j),2}+B_{(R_i,T_j),1}+B_{(R_i,T_j),2}---\left(9\right)$

其中： 

$A_{(R_i,T_j),1}=\frac{{\mathrm{\κ}}_{R_i}{v}_{R_i}-{\mathrm{\κ}}_{T_j}{v}_{T_j}}{v_{R_i}}(\ln \left(\frac{{{\mathrm{\σ}}_{R_i}}^{v_{R_i}}}{{\mathrm{\κ}}_{R_i}}\right)+\mathrm{\Ψ}\left({\mathrm{\κ}}_{R_i}\right))---\left(10\right)$

$B_{(R_i,T_j),1}=\frac{{\mathrm{\κ}}_{T_j}{v}_{T_j}-{\mathrm{\κ}}_{R_i}{v}_{R_i}}{\left|v_{T_j}\right|}(\ln \left(\frac{{{\mathrm{\σ}}_{T_j}}^{v_{T_j}}}{{\mathrm{\κ}}_{T_j}}\right)+\mathrm{\Ψ}\left({\mathrm{\κ}}_{T_j}\right))---\left(11\right)$

第五步：SAR图像分割区域类别划分 

根据最大统计相似度准则，将各个分割区域划分到与其最相似的类别中，即： 

$j^{\′}=\underset{j=\mathrm{1,2},...,M}{\arg \max }\left\{S(p_{R_i}\left(x\right),p_{T_j}\left(x\right))\right\},i=\mathrm{1,2},...,L---\left(14\right)$

利用上式获得SAR图像的最终分类结果。 

本发明的有益效果是：利用基于区域的SAR图像分类方法，能够同时利用训练样本区域和分割区域的统计信息，从而更好地对不同类别进行分类，有效区分出PDF重叠显著的类别。此外，本发明在计算SAR图像区域之间的统计相似度中所用统计模型GГD，在不同参数配置下可以退化为其它很多经典的SAR图像统计分布模型，如Rayleigh分布、指数分布、gamma分布、Weibull分布、 Log-Normal分布和逆gamma分布等，因此本发明方法具有非常广泛的SAR图像适应性。 

附图说明

图1为本发明的基于区域统计相似度的SAR图像分类方法流程图； 

图2(a)为仿真的SAR图像的类别分布图，图2(b)为仿真SAR图像中四个类别的PDF； 

图3(a)-(b)分别为基于像素的ML方法和本发明方法对仿真SAR图像的分类结果； 

图4为待分类的实测SAR图像及训练样本区域示意图； 

图5为利用GГD估计的实测SAR图像中5类地物的PDF； 

图6(a)为基于像素的ML方法对实测SAR图像的分类结果，图6(b)为层次合并算法获得的实测SAR图像分割结果，图6(c)为本发明方法对实测SAR图像的分类结果。 

具体实施方式

下面结合附图对本发明提供的基于区域统计相似度的合成孔径雷达图像分类方法进行详细说明。 

图1是本发明的基于区域统计相似度的SAR图像分类方法的流程图。该流程的第一步是训练样本区域统计建模。以GГD为SAR图像的统计模型，利用MoLC估计各个训练样本区域{T₁,T₂,...,T_M}的通常M大于等于2，各训练样本区域的像素数目大于50。第二步是SAR图像分割，通过利用图像分割方法(如人工规则划分方法、层次合并算法等，实际中可以根据具体情况选择)获得输入的待分类的实测SAR图像的各分割区域{R₁,R₂,...,R_L}，分割的区域的数目与分割算法有关，在本发明中没有限制。第三步是SAR图像分割区域统计建模。通过采用与第一步相同的方法对第二步中获得的各分割区域进行统计建模，获取其第四步是分割区域与训练样本区域的统计相似度计算。计算待分类的实测SAR图像各分割区域与各训练样本区域之间的统计相似度i＝1,2,...,L，j＝1,2,...,M。第五步为SAR图像分割区域类别划分。根据最大统计相似度准则， 将各分割区域划分到与其最相似的已知类型的类别中，从而输出SAR图像的分类结果。 

图2至图3为利用本发明方法对仿真SAR图像进行分类的结果以及与基于像素的ML方法的分类结果的比较。其中图2(a)，由四个大小均为240×240像素的子图像组成，每个子图像对应一类目标SAR图像区域。四个子图像由上至下、由左至右分别服从参数{σ,κ,v}(即尺度、能量和形状参数)为{3,2,1.5}、{2.5,3,1}、{6,9,2}和{5.5,7,2.5}的GГD。这些PDF之间存在不同程度的重叠，如图2(b)所示。将上述四个子图像作为输入的待分类的SAR图像，图3(a)为采用基于像素的ML(即最大似然)方法所得的分类结果，图3(b)为本发明方法的分类结果，分类得到的结果当中类别相同的区域用相同的像素值表示，在图像分割中利用人工规则划分方法将图像规则地划分为大量8×8像素的分割区域。从图中可以看出，基于像素的ML方法所得结果存在严重的分类混淆，而本发明方法所得结果混淆程度很低。 

图4至图6为利用本发明方法对实测SAR图像进行分类的结果以及与层次合并算法、基于像素的ML方法的分类结果的比较。图4显示了一幅待分类的大小为240×320像素的实测VV极化SAR图像，该图像由机载EMISAR***于1998年对丹麦Foulum区域成像所得。在图中矩形框内的标号表示类别的编号，实验中设定了5个类别，即M＝5。图5给出了利用GГD估计的5个类别地物的PDF，为了清楚地表达5个类别地物的PDF，在左图中表示出类1、类2、类3和类4的PDF，在右图中表示出类1、类2、类4和类5的PDF。可以看到这些地物的PDF重叠显著。图6(a)给出了基于像素的ML方法对该实测SAR图像的分类结果，图6(b)给出了利用层次合并算法对实测SAR图像的分割结果，图6(c)为利用本发明方法对实测SAR图像的分类结果。可以看到，基于像素的ML方法所得结果存在严重的分类混淆，且因为受相干斑噪声影响，所得区域连通性差。相比之下，本发明方法能够获得分类混淆程度低、连通性好的SAR图像分类结果。 

Claims (1)

1.一种基于区域统计相似度的SAR图像分类方法，SAR是指合成孔径雷达，其特征在于，具体包括下述步骤：

第一步：训练样本区域统计建模：

选择已知目标类型且类型各不相同的M类目标的SAR图像区域，形成训练样本区域集{T₁,T₂,...,T_j,...,T_M}，其中第j类目标SAR图像区域T_j表示第j个训练样本区域，j＝1,2,...,M；各训练样本区域的PDF集合其中表示T_j中的像素值x的PDF，表示为：

$p_{T_j}\left(x\right)=\frac{\left|v_{T_j}\right|{{\mathrm{\κ}}_{T_j}}^{{\mathrm{\κ}}_{T_j}}}{{\mathrm{\σ}}_{T_j}\mathrm{\Γ}\left({\mathrm{\κ}}_{T_j}\right)}{\left(\frac{x}{{\mathrm{\σ}}_{T_j}}\right)}^{{\mathrm{\κ}}_{T_j}{v}_{T_j}-1}\·\exp \left\{{-\mathrm{\κ}}_{T_j}{\left(\frac{x}{{\mathrm{\σ}}_{T_j}}\right)}^{v_{T_j}}\right\},{\mathrm{\σ}}_{T_j},\left|v_{T_j}\right|,{\mathrm{\κ}}_{T_j},x>0$

其中PDF表示概率密度函数，和分别表示的尺度、能量和形状参数，Γ(·)表示Gamma函数，这三个参数利用下述方程组得到：

$\left\{\begin{array}{c}\ln {\mathrm{\σ}}_{T_j}+(\mathrm{\Ψ}\left({\mathrm{\κ}}_{T_j}\right)-\ln {\mathrm{\κ}}_{T_j})/v_{T_j}={\tilde{c}}_{T_j,1}\\ \mathrm{\Ψ}(1,{\mathrm{\κ}}_{T_j})/{v_{T_j}}^2={\tilde{c}}_{T_j,2}\\ \mathrm{\Ψ}(2,{\mathrm{\κ}}_{T_j})/{v_{T_j}}^3={\tilde{c}}_{T_j,3}\end{array}\right.$

其中Ψ(·)为digamma函数，Ψ(1,·)和Ψ(2,·)分别表示第1阶和第2阶polygamma函数， 和表示T_j的前三阶样本对数累积量，可以由下式计算：

$\left\{\begin{array}{c}{\tilde{c}}_{T_j,1}=\left({\mathrm{\Σ}}_{s\∈T_j}\ln s\right)/N_{T_j}\\ {\tilde{c}}_{T_j,2}=\left[{\mathrm{\Σ}}_{s\∈T_j}{(\ln s-{\tilde{c}}_{T_j,1})}^3\right]/N_{T_j}\\ {\tilde{c}}_{T_j,3}=\left[{\mathrm{\Σ}}_{s\∈T_j}{(\ln s-{\tilde{c}}_{T_j,1})}^3\right]/N_{T_j}\end{array}\right.$

其中为T_j中的像素个数，s表示T_j中的任意像素的像素值。

第二步：SAR图像分割：

将输入的待分类的实测SAR图像分割为互不重叠的若干区域，形成分割区域集{R₁,R₂,...,R_i,...,R_L}，其中R_i表示第i个分割区域，i＝1,2,...,L。

第三步：SAR图像区域统计建模：

设各分割区域的PDF集合其中表示R_i中的像素值x的PDF，表示为：

$p_{R_i}\left(x\right)=\frac{\left|v_{R_i}\right|{{\mathrm{\κ}}_{R_i}}^{{\mathrm{\κ}}_{R_i}}}{{\mathrm{\σ}}_{R_i}\mathrm{\Γ}\left({\mathrm{\κ}}_{R_i}\right)}{\left(\frac{x}{{\mathrm{\σ}}_{R_i}}\right)}^{{\mathrm{\κ}}_{R_i}{v}_{R_i}-1}\·\exp \left\{{-\mathrm{\κ}}_{R_i}{\left(\frac{x}{{\mathrm{\σ}}_{R_i}}\right)}^{v_{R_i}}\right\},{\mathrm{\σ}}_{R_i},\left|v_{R_i}\right|,{\mathrm{\κ}}_{R_i},x>0$

其中和分别表示的尺度、能量和形状参数。这三个参数利用下述方程组得到：

$\left\{\begin{array}{c}\ln {\mathrm{\σ}}_{R_i}+(\mathrm{\Ψ}\left({\mathrm{\κ}}_{R_i}\right)-\ln {\mathrm{\κ}}_{R_i})/v_{R_i}={\tilde{c}}_{R_i,1}\\ \mathrm{\Ψ}(1,{\mathrm{\κ}}_{R_i})/{v_{R_i}}^2={\tilde{c}}_{R_i,2}\\ \mathrm{\Ψ}(2,{\mathrm{\κ}}_{R_i})/{v_{R_i}}^3={\tilde{c}}_{R_i,3}\end{array}\right.$

其中和表示R_i的前三阶样本对数累积量，由下式计算：

$\left\{\begin{array}{c}{\tilde{c}}_{R_i,1}=\left({\mathrm{\Σ}}_{s^{\′}\∈R_i}\ln s^{\′}\right)/N_{R_i}\\ {\tilde{c}}_{R_i,2}=\left[{\mathrm{\Σ}}_{s^{\′}\∈R_i}{(\ln s^{\′}-{\tilde{c}}_{R_i,1})}^2\right]/N_{R_i}\\ {\tilde{c}}_{R_i,3}=\left[{\mathrm{\Σ}}_{s^{\′}\∈R_i}{(\ln s^{\′}-{\tilde{c}}_{R_i,1})}^3\right]/N_{R_i}\end{array}\right.$

其中为R_i中的样本像素个数，s′表示R_i中的任意像素的像素值。

第四步：分割区域与训练样本区域统计相似度计算：

计算各分割区域与各训练样本区域之间的统计相似度i＝1,2,...,L，j＝1,2,...,M，表示为：

$S(p_{R_i}\left(x\right),p_{T_j}\left(x\right))=\exp \left\{{-J}_D(p_{R_i}\left(x\right),p_{T_j}\left(x\right))\right\}$

其中表示(x)和之间的散度，由下式计算：

$J_D(p_{R_i}\left(x\right),p_{T_j}\left(x\right))={-\mathrm{\κ}}_{R_i}-{\mathrm{\κ}}_{T_j}+A_{(R_i,T_j),1}+A_{(R_i,T_j),2}+B_{(R_i,T_j),1}+B_{(R_i,T_j),2}$

其中：

$A_{(R_i,T_j),1}=\frac{{\mathrm{\κ}}_{R_i}{v}_{R_i}-{\mathrm{\κ}}_{T_j}{v}_{T_j}}{v_{R_i}}(\ln \left(\frac{{{\mathrm{\σ}}_{R_i}}^{v_{R_i}}}{{\mathrm{\κ}}_{R_i}}\right)+\mathrm{\Ψ}\left({\mathrm{\κ}}_{R_i}\right))$

$B_{(R_i,T_j),1}=\frac{{\mathrm{\κ}}_{T_j}{v}_{T_j}-{\mathrm{\κ}}_{R_i}{v}_{R_i}}{\left|v_{T_j}\right|}(\ln \left(\frac{{{\mathrm{\σ}}_{T_j}}^{v_{T_j}}}{{\mathrm{\κ}}_{T_j}}\right)+\mathrm{\Ψ}\left({\mathrm{\κ}}_{T_j}\right))$

第五步：SAR图像分割区域类别划分

利用下式将第i个分割区域划分为第j′类目标，即：

$j^{\′}=\underset{j=\mathrm{1,2},...,M}{\arg \max }\left\{S(p_{R_i}\left(x\right),p_{T_j}\left(x\right))\right\},i=\mathrm{1,2},...,L$

利用上式获得SAR图像的最终分类结果。